Keuntungan:
- Klasifikasi berdasarkan risiko di mana AI mengalami percepatan dan di mana AI berisiko dalam rekayasa lingkungan
- Kemampuan untuk mengenali risiko halusinasi LLM mengenai nilai batas lingkungan, standar dan sumber daya
- Kemampuan untuk memvalidasi keluaran AI di laboratorium, lapangan, dan peraturan serta menerapkan prinsip etika/privasi
Bayangkan bekerja sebagai insinyur lingkungan di pabrik pengolahan air limbah umum di kawasan industri terorganisir. Tiba-tiba terjadi peningkatan COD di saluran keluar air, kata manajer bisnis melalui telepon, "Saya ingin penyebab dan solusinya sesegera mungkin." Di meja Anda terdapat hasil laboratorium minggu lalu, catatan SCADA, dan jendela obrolan yang baru saja Anda buka. Anda bertanya pada AI “kenapa COD keluarannya naik, tuliskan juga batas debitnya?” Dalam hitungan detik, model tersebut menulis dalam bahasa Turki yang tepat, item demi item, kemungkinan alasannya dan juga kalimat "Menurut Peraturan Pengendalian Pencemaran Air, batas pembuangan COD adalah 120 mg/L." Masalahnya adalah breakpoint ini mungkin telah disesuaikan dengan modelnya; Tergantung pada industri Anda, lingkungan penerima, dan jenis fasilitas, batas sebenarnya mungkin sangat berbeda. Unit ini mengajarkan Anda untuk mengelola momen tersebut—saat ketika tanggung jawab teknik Anda bersinggungan dengan keluaran AI yang cepat namun belum terverifikasi.
Apa yang dilakukan dan tidak dilakukan AI dalam rekayasa lingkungan
Model bahasa besar (LLM) adalah sistem yang dilatih berdasarkan prinsip "memprediksi kata berikutnya" pada data teks berukuran besar. Hal ini membuat mereka sangat kuat dalam pengerjaan bahasa, namun pada dasarnya lemah dalam pengecekan fakta. Model tidak "mengingat" breakpoint, namun menghasilkan angka yang terlihat masuk akal secara statistik.
Pekerjaan yang AI kuasai dalam bidang teknik lingkungan:
- Meringkas dan menyusun undang-undang yang panjang, laporan AMDAL atau teks literatur
- Menetapkan struktur, rumus dan logika perhitungan (keseimbangan massa, beban emisi, efisiensi)
- Membuat daftar kemungkinan penyebab dan skenario pemecahan masalah
- Menyiapkan draft laporan, tabel, presentasi dan korespondensi
- Menjelaskan topik yang kompleks (misalnya kimia nitrifikasi) langkah demi langkah
Tugas yang tidak dapat dilakukan/tidak dapat diandalkan oleh AI:
- Memberikan nilai batas, nomor standar, atau pasal peraturan terkini dan spesifik konteks
- Akses ke data pengukuran aktual fasilitas Anda (kecuali Anda menyediakannya)
- Pengganti analisis laboratorium atau pengukuran lapangan
- Ambil tanggung jawab hukum/administratif — tanda tangan adalah milik Anda
Tip: Anggaplah AI seperti “pekerja magang senior”. Penulis draf yang cepat, banyak membaca, dan baik; Namun Anda tidak dapat mengirim setiap hasil cetakan ke mana pun tanpa memeriksanya sendiri. Setiap angka dan setiap referensi peraturan perundang-undangan yang dihasilkannya hanyalah hipotesis sampai Anda memverifikasinya dari sumbernya.
Halusinasi: nilai batas dan pasal peraturan yang dibuat-buat
Halusinasi adalah ketika model menghasilkan informasi yang tidak nyata dengan penuh keyakinan. Tiga jenis halusinasi paling berbahaya dalam teknik lingkungan adalah:
- Nilai batas yang dibuat-buat: Angka yang tampak benar namun mungkin salah, seperti "Batas 24 jam untuk PM10 adalah 50 µg/m³".
- Acuan peraturan perundang-undangan yang dibuat-buat: “Menurut Pasal 12/3 Peraturan…” — nomor pasal dan nama peraturan tampak nyata, tetapi isinya dibuat-buat.
- Sumber fiktif: Artikel yang tidak ada, nomor standar (misalnya "TS EN 12457") atau panduan institusi.
Tabel di bawah menunjukkan pola jawaban aman dan berisiko yang dapat diberikan model terhadap pertanyaan yang sama:
Keluaran model
Resiko
apa yang harus dilakukan
“Batas pembuangannya tepat 120 mg/L.”
Tinggi — angka pastinya, tidak bersumber
Verifikasi dari undang-undang resmi
“Batas pembuangan bervariasi tergantung pada sektor dan lingkungan penerima; tabel peraturan yang relevan harus dirujuk.”
Rendah — router
Masih memverifikasi, tapi dapat dipercaya
"Saya tidak dapat memverifikasi nilai ini, lihat sumber resmi."
rendah
perilaku ideal
Perhatian: Semakin spesifik dan meyakinkan suatu nomor ditulis, semakin berbahaya jika tidak bersumber. Nilai yang jelas seperti "120 mg/L" akan membuat Anda nyaman tetapi memberikan kepercayaan diri yang palsu. Jangan mendasarkan keputusan Anda pada nilai batas apa pun yang tidak disebutkan.
Pembagian kerja berdasarkan risiko
Bobot hasil keputusan inilah yang menentukan di mana AI boleh digunakan secara bebas dan di mana digunakan hanya untuk tujuan penyusunan. Klasifikasi berikut adalah kompas praktis:
Pencarian
Tingkat risiko
Peran AI
Verifikasi wajib
Ringkasan literatur/perundang-undangan, penjelasan konsep
rendah
produser, akselerator
Periksa ulang klaim-klaim kunci
Draf laporan/korespondensi, tata letak tabel
rendah
penulis naskah
Ulasan editorial
Pengaturan analisis data, rumus perhitungan
sedang
pembangun
Input data + kontrol perhitungan manual
Skenario pemecahan masalah proses
sedang
penghasil ide
Data laboratorium + lapangan
Penetapan batas debit/emisi
tinggi
Hanya draf
Peraturan resmi + laboratorium terakreditasi
Hasil AMDAL, penilaian “dampak dapat diabaikan”.
tinggi
Hanya draf
Pakar + pengukuran lapangan
Keputusan kesehatan manusia/lingkungan
kritis
Dukung, jangan pernah memutuskan
Perundang-undangan penuh + persetujuan ahli
Aturannya sederhana: semakin tidak dapat diubah hasilnya dan semakin banyak nyawa/uang/hukum yang terkena dampaknya, semakin ketat hasil AI diverifikasi. Anda memperoleh kecepatan dengan risiko rendah; pada risiko tinggi, AI hanya menghasilkan rancangan pertama, data, dan undang-undang yang mengambil keputusan.
Perintah lemah / Perintah kuat
Dua permintaan berbeda untuk kebutuhan yang sama menimbulkan profil risiko yang sangat berbeda:
PROMPT LEMAH: "Berapa batas COD pembuangan air limbah? Tuliskan secara singkat." Masalah: Memaksa model agar sesuai dengan satu angka pasti. Sektor, lingkungan penerima, jenis fasilitas tidak ditentukan. Outputnya datang tanpa sumber. PROMPT KUAT: "Jelaskan pada faktor apa (sektor, lingkungan penerima, laju aliran) batas pembuangan COD untuk air limbah industri tekstil di Türkiye. JANGAN membuat angka pastinya; sebaliknya, jelaskan langkah demi langkah dari tabel peraturan resmi mana dan menurut parameter mana yang harus dibaca. Jika Anda tidak yakin, sebutkan 'harus diverifikasi'." Perbedaan: Perintah yang kuat tidak membuat model sesuai dengan angka; Ia menggunakannya sebagai PANDUAN dan menyerahkan keputusan akhir pada undang-undang.
Etika dan privasi data
Sebagai seorang insinyur lingkungan, data yang Anda miliki sering kali bersifat sensitif: catatan pemantauan berkelanjutan (CPMS) perusahaan, riwayat pelanggaran, kapasitas produksi adalah rahasia dagang. Data apa pun yang Anda tempelkan ke alat AI publik mungkin berada di luar kendali Anda.
Prinsip dasar:
- Anonimkan: Hapus nama perusahaan, koordinat fasilitas, data pribadi, detail kontrak dari perintah. Daripada "perusahaan X" tulislah "pabrik tekstil".
- Lindungi rahasia dagang: Periksa kebijakan data perusahaan Anda sebelum membagikan informasi seperti data pelanggaran, kapasitas, biaya.
- Transparansi: Jika Anda menyusun laporan dengan AI, tunjukkan hal ini dengan tepat dalam alur kerja Anda; Ingatlah bahwa tanggung jawab ada di tangan Anda.
# Pemeriksaan anonimisasi sederhana sebelum memasukkan data ke dalam prompt sensitif_fields = ["nama_perusahaan", "koordinat", "tc_no", "kapasitas", "biaya"]def prompt_safe_is(teks, sensitif): ditemukan = [a untuk a dalam sensitif jika dalam teks.lower()] return (len(ditemukan) == 0, ditemukan) example = "company_name: ABC Textile, COD: 850 mg/L, capacity: 5000 m3/hari"safe, risky = prompt_safe_mi(example,sensitive_areas)print("Apakah bisa dikirim:", aman) # Falseprint("Dibersihkan dulu:", risky) # ['nama_perusahaan', 'kapasitas']
kasus kecil
Seorang insinyur muda di sebuah perusahaan konsultan lingkungan bertanya kepada AI “apa kode limbah dan metode pembuangan limbah minyak” untuk mendapatkan penawaran yang mendesak. Model ini dengan percaya diri mengembalikan kode limbah 6 digit dan jawaban "pembuangan dengan cara pembakaran". Insinyur memasukkan ini langsung ke dalam kutipan. Setelah penyerahan, insinyur senior memeriksa: kode yang diberikan tidak sesuai dengan sumber dan isi limbah sebenarnya; Klasifikasi yang benar hanya dapat dilakukan dengan laporan analisis dan daftar limbah resmi. Kode yang salah berarti rute pembuangan yang salah dan risiko sanksi administratif. Pelajaran: Kode yang diberikan AI adalah hipotesis; Karena tidak diverifikasi oleh analisis dan peraturan perundang-undangan, maka hal tersebut tidak dapat menjadi dasar pengambilan keputusan.
Kesalahan umum
- Memasukkan nilai batas yang diberikan AI ke dalam laporan tanpa menanyakan sumbernya.
- Menimbang rujukan pada “Pasal Peraturan X” dapat dipercaya tanpa membandingkannya dengan teks sebenarnya.
- Menempelkan informasi rahasia seperti nama perusahaan, data pelacakan, dll. ke dalam alat publik.
- Mendasarkan keputusan berisiko tinggi (batas pelepasan, hasil AMDAL) pada keluaran AI.
- Salah mengira nada percaya diri model sebagai bukti keakuratan.
- Mencoba mengalihkan tanggung jawab ke mesin dengan mengatakan "kata AI"; Tanda tangan dan tanggung jawab terletak pada insinyur.
Singkatnya
- AI adalah akselerator dalam rekayasa lingkungan: kuat dalam ringkasan, draf, pengeditan akun, dan pembuatan skenario; Hal ini tidak dapat diandalkan jika mengacu pada nilai batas pasti dan peraturan perundang-undangan.
- LLM menghasilkan halusinasi tentang batasan, standar, dan sumber; angka yang tepat dan tidak bersumber adalah risiko tertinggi.
- Pembagian kerja didasarkan pada risiko: semakin tidak dapat diubah hasilnya, semakin ketat verifikasinya.
- Setiap keluaran AI hanya berupa proposal/sketsa hingga divalidasi oleh laboratorium, pengukuran lapangan, dan peraturan pemerintah.
- Jangan memberikan data rahasia dan pribadi ke sarana publik apa pun tanpa menganonimkannya.
- AI adalah “pelatih senior”: ia berjalan, tetapi insinyurnya yang memikul tanda tangan dan tanggung jawab.
Tugas aplikasi
Pilih lima tugas dari bidang studi Anda (air limbah, udara, limbah atau AMDAL) dan tempatkan masing-masing tugas dalam tabel berbasis risiko di atas: tulis tugas, tentukan tingkat risiko (rendah/sedang/tinggi/kritis), tentukan peran AI dan langkah verifikasi wajib. Kemudian pilih salah satu dari tugas ini dan pertama-tama tuliskan "perintah lemah" dengan sengaja, centang apakah ada setidaknya satu referensi tidak bersumber untuk membatasi nilai atau undang-undang dalam jawaban yang Anda terima dari model; Kemudian, untuk kebutuhan yang sama, tulislah "perintah kuat" yang melarang mengarang angka dan mengarahkan Anda ke sumbernya, dan bandingkan kedua keluaran secara berdampingan. Terakhir, jelaskan dalam satu paragraf peraturan pemerintah mana dan data laboratorium/lapangan mana yang akan Anda gunakan untuk memverifikasi tugas ini.